Two‑stage CNNs for computerized BI‑RADS categorization in breast ultrasound images
一、摘要
背景:将单一超声模式下的乳腺成像报告和数据系统(BI-RADS)标准量化为不同类别一直是一个挑战。为实现这一目标,我们提出了一种基于卷积神经网络(CNNs)的两阶段分级系统,从超声图像自动评估乳腺肿瘤为五类。
方法:新开发的自动分级系统由肿瘤识别和肿瘤分级两个阶段组成。所构建的肿瘤识别网络称为ROI-CNN,可以从原始的乳腺超声图像中识别出包含肿瘤的区域。下面的肿瘤分类网络(G-CNN)可以生成有效的特征,将已识别的感兴趣区域(ROIs)区分为Category“3”、Category“4A”、Category“4B”、Category“4C”和Category“5”。特别是,为了促进ROI-CNN所确定的预测更适合肿瘤,我们利用了基于水平集的细化程序作为阶段和分级阶段之间的结合点。
结果:我们在2238例乳腺肿瘤超声图像中测试了提出的两阶段分级系统。以准确性为指标,我们对乳腺肿瘤分级的自动计算机化评估表现出与医生确定的主观类别相当的性能。实验结果表明,我们的两阶段框架对类别“3”的正确率为0.998,对“4A”的正确